本文系基于公開資料撰寫，僅作為信息交流之用，不構成任何投資建議。
商湯ProIPO估值水平是20多倍P／S（市銷率），上市后最高直接干到40多倍。繼商湯之后，1月27日創新奇智也要登陸港股，同樣其ProIPO估值水平也是20倍P／S，不知道上市了會怎么炒。但無論如何，AI賽道開始燥起來了。
不同的AI公司外界往往霧里看花，其實按商用類型分4類，你能很快的明白各自的區別：
視覺類AI，最重要的應用是人臉識別和自動駕駛，典型公司有商湯－W（HK：00020），目前市值2290億港元。
語音語義AI，就是文字轉語音，典型公司有科大訊飛（SZ：002230），目前市值1126億元。
決策類AI，你可以簡單的理解為“AI下棋”，典型公司有第四范式，目前ProIPO估值30億美元。
人工智能機器人，波士頓動力公司的機器狗知道吧，國內公司典型公司有大疆，目前估值1660億元。
港股上的商湯和創新奇智我們都解讀過，今天來聊聊第四范式。 從市場占有率角度觀察，2020年第四范式在決策類AI這個垂類，甚至力壓四個大廠：百度（NASDAQ：BIDU）、阿里巴巴（NYSE：BABA）、華為和騰訊控股（HK：00700）。大有“拳打百度腳踢華為”的潛力。
圖：決策類AI市場份額，來源：招股書
但從現實角度觀察，福兮禍所伏，鮮明的特點又決定它必須要邁過幾道坎才能真正的把商業模式跑通，卸下外界對其“流血IPO”、“IPO保命”的質疑。畢竟第四范式賬上的“現金＋短期投資＋理財產品”經不起1年多的虧損；不像商湯和創新奇智，賬上的錢還能可勁兒造好幾年。
01搭積木的架構，遷移學習是法寶
在總結第四范式的業務之前，我想先給出一個決策類AI的運用場景。假如一名甜點老板，上月某產品銷售了十萬，本月銷售了五萬。那么下個月該備多少貨呢？如果產品單一，有經驗的決策者或許能夠猜得大差不差。 但如今消費者對產品的偏好瞬息萬變，今天還追捧“臟臟包”，明天就獨寵肉松小貝了。當產品品類較豐富，決策者就不能流于表面的市場規律，還需應對好市場偏好的變化。 決策類AI的目的就是解決上述類似問題，它基于數據進行科學的商業決策。
決策類AI的邏輯支撐在于：統計學原理告訴我們只要建立合適的模型，就能無限逼近最真實的結果。
傳統的數據分析軟件，建立在數據庫中不同數據被標記情況而“死硬”匯算出來的。這種方式不能靈活的生成新模型和表格，還需要一個既懂軟件又要懂行業的團隊實現靈活的數據匯算，要求過高了些。 第四范式提供一個簡單操作且靈活搭建的數據平臺，從而滿足客戶在不同場景的需要。其不同之處在于，它不是試圖向用戶提供一個分析工具，而是向用戶提供一個各項功能都可以任意搭配的“積木”。
圖：“搭積木”，來源：招股書
·Sage AIOS：一個類似于Windows一樣的可視化操作系統，能夠提高算力使用效率，為“搭積木”提供場地。
·HyperCycle：內置在先知平臺的無代碼開發工具。按照提示說明拼接AI組件就可以完成AI學習的數據閉環。使用難度約等于照著葫蘆畫個瓢。
·Sage Studio：可提供不同編程難度選擇的AI模型編輯工具。可以根據不同業務需求編寫或創造AI模塊并可以組建的形式添加進原有的業務數據模型。
·先知應用：先知系統上可以直接使用的開發好的應用，如同手機APP。 理解如何做到這些功能其實并不難，利用遷移學習使AI命令發現數據規律和設置數據閉環就可以達到以上效果。遷移學習是一種AI算法，同時也是第四范式創始人戴文淵在國際享譽盛名的法寶。 遷移學習旨在把一組數據的標注規則轉移到另外一組數據上去。例如已知一筐花生米的質量標準，如何分類另一筐芝麻的品質優劣？遷移算法利用已知的優質花生米又大又飽滿的定義套用在芝麻的形態分類上，從而得到好芝麻的分類。
另一方面，在機器篩選芝麻的時候發現有時候大且飽滿的芝麻有可能只是個空殼。通過自動加入對芝麻重量的評審規則，AI能夠做到進一步提升篩選芝麻的質量。
先知平臺的客戶能夠靈活定義數據含義和改良數據結果，這些數據運作之后給出的建議，即所謂的決策。第四范式的產品，核心作用就是幫數字化轉型后的企業用好數據。
02框架賣給你，用好靠自己
使用第四范式的先知平臺，用一句話總結：產品挺萬能，師傅領進門，修行看個人。
第四范式向客戶出售三種類型產品：先知平臺及套件、與第三方定制的AI硬件（服務器）、定制開發服務。客戶主要是系統集成商，在整體解決方案中做軟件部分，不提供相對完整的數字化升級規劃，終端的企業使用平臺建模得靠自己動手。 依靠先知平臺進行AI數字化建設，用得好的終端公司會開辟商業生命新周期。就目前情況來看，金融業和制造業因為業務高度相似，對平臺的接受度會比較高。借著龐大的金融和制造業的基本盤，第四范式也達到了一個相對不錯的收入水平。
第四范式不直接接觸客戶數據加上平臺具有可按需搭建的特點，意味著AI的實際使用成效取決于客戶如何使用。
為了與其他SaaS廠商的直接定制解決方案拉開差異，第四范式把收費標準改成了軟件授權＋算力的形式讓客戶能夠按需選購。但與阿里云等直接擁有硬件平臺的公司不同，第四范式沒有集群化的數據中心，現階段只能向云服務廠商租賃服務器，再向客戶出售算力配額。
另外，先知平臺具有高度模塊化和標準化的特點，使其比傳統企業級軟件部署時間加速不少。但這同時意味著第四范式在部署軟件的過程中，賺不到工程師駐場服務費。 那么，上游算力要向外購買，下游人工帶來的增值服務又拿不到，這使得第四范式的毛利，最終鎖定在40％左右，大幅低于頭部AI公司（商湯70％＋）。
縱觀第四范式終端客戶／用戶的特點，就是它們都擁有不同程度的數字化，且業務產生的數據量巨大而難以有效整合。在海量的數據壓力之下，任何能替代人力分析或靈活整合數據的工具都將是他們的一劑良方。 第四范式于2019年8月與永輝進行深度合作，經可調整的數字模型改良過后的系統，可針對客戶進行個性化推薦，最終實現客單交易量提高，對應營收增加數億。
結果的成功不僅來自于永輝積極在數字化上的改革，同樣也依賴于先知平臺耐折騰。
2017年，永輝決定從推出子品牌超級物種來布局新零售業務，但兩年的努力起效不大。
2019年下半年，永輝與第四范式達成合作關系，同時永輝超市推出了跟永輝生活APP非常相似的永輝買菜APP。力圖轉型線上，做好送到家業務，但沖突的APP被外界認為公司內部存在嚴重分歧。
2020年3月，永輝買菜APP下架，兩個APP將合力發展到家業務。
2020年7月，重新收回旗下數字化平臺永輝云創，方便公司更好的整合資源，提高線上業務的效率和服務質量。再度回歸的永輝云創，與永輝超市進行融合，在管理上完成了一致性。
2021年上半年，最終在零售系統完成整合后，永輝線上銷售額達到了68．1億元，同比增長49．3％，占主營收入比重為14．1％。永輝的數字化轉型正式開始享受福利期。
從事件線可以看出，第四范式于2019年與永輝合作的同時，永輝也在努力在數字化零售業務進行“自救”。數字化、智能化轉型說起來很容易，做起來卻是要涉及到各種流程和組織管理重建。第四范式的AI平臺支持各種功能，可以被各種折騰也證明先知平臺在架構上的可靠性。 但折騰數字化平臺，就意味著終端企業用戶要做行業內“第一個吃螃蟹的人”。這種“螃蟹”既可能很好吃，也可能讓企業付出很高的代價。對于它們來說，再好的工具和建議也不如量體裁衣的一整套解決方案。
AI平臺作為工具哪怕再好，又如何呢？就像藝術作品，沒有人會稱贊一幅畫作好是因為畫筆的質量高。
03第四范式的四道坎
在SaaS類產品的公司中，通常會有一個部門叫客戶成功部。這個部門的任務是幫助客戶用好產品獲得正向效益，從而提高產品的聲譽和客戶續訂率。但對第四范式這種AI公司來說，要想讓用戶獲得良好的效果，需要再跨過幾道坎。。
首先，標桿客戶的合作模式能否推向全行業是第一個大難題。
如我們之前分析創新奇智時指出，AI公司的下游客戶存在一個龐大的基本盤，金融行業對于第四范式來說就是龐大基本盤里的一部分。但這一套在零售行業恐怕就行不通了。 例如與永輝合作的成功轉移到便利店的運營上，前者的優勢是能夠提供消費者長期的購買情況，從而獲取消費者畫像，進而優化推薦和進貨算法，最終降低周轉。 而對于便利店來說，店鋪的選址要比提供商品類別更加重要，這導致所謂的成功案例或許在別人看來有生搬硬套之嫌，最后不得不再針對性的開發了一個智能選址的功能。
第二，研發的投入或許沒有終點。
先知平臺實際上是給用戶提供了一整套的工具箱，看似用戶根據想法可以自由搭建，但實際因為功能可選的問題，在一定程度上受限。這就導致為了這種假設性的滿足客戶可能的需求，就要持續不停的投入研發。 原因一是因為AI算法目前仍處在一個高速更新迭代的過程中，AI算法不能像傳統ERP軟件一樣可以一個版本安穩使用5－10年。如果客戶不能及時升級模型，隨著業務增長，會多使用算力和降低效率。這導致客戶在編寫模型的時候要額外考慮算力分配與流程合理性的問題。
第二個原因是一旦有了獨特的新需求，AI公司響應到交付的流程與傳統ERP公司沒有區別，都需要定制開發。如果需求明確，那為什么一開始不找軟件公司開發呢？再退一步來講，這種需求與響應之間產生的訂單，可能被第三方服務商截胡。這就導致先知平臺的功能和APP必須要不停的預判客戶的需求而開發。
第三，人才管理問題。
先知平臺可以讓無代碼學習經驗的人憑借搭積木就能快速吃到AI應用落地的福利。好的產品需要投入巨大的研發，但一旦研發完，人才如何留住呢？ 算法屬于學術資源，這意味著任何一個設計核心的開發人員在未來都有可能從第四范式走出來開設公司。對競爭對手來說，代交競業協議的罰款和預備日后可能的侵權罰款，相比親自投入研發費用那簡直就像是花五毛錢買的辣條。一旦產品成熟落地，研發費用還沒有收回，價格很可能因為內卷快速下降。 第四范式作為模塊化平臺的領軍人，不得不再繼續拿出新功能才能與后來者拉開差距。
第四，客戶自主開發模型的知識產權問題。
假設第四范式與寧德時代的合作中，已知寧德時代自己具備一定的數據編程能力。那么寧德時代利用先知平臺為自己量身打造的AI模型，知識產權屬于誰的呢？ 屬于寧德時代的話，那第四范式所謂的行業標桿客戶的宣傳策略可能不成立。畢竟客戶用得好，跟產品廠家沒太大關系。
屬于第四范式的話，那寧德時代開發的全球龍頭級別生產控制系統模型，是不是就要流向二、三線去了？那作為自主開發出模型的用戶，自然是不會情愿的。 現在這些問題沒暴露不是因為都有妥善的解決，只是AI進入行業還是在早期階段，未來發生的可能性需要提前預知。
人工智能在國內的市場在今天已經臨近爆發期，但按部就班并不一定能取得最終的勝利。AI科技公司一方面對自己的虧損十分樂觀，另一方面又對于自己在研發和占據科技前沿的投入十分自豪。但這種投入真的不是被迫的嗎？產品理想雖好，但與落地成熟依然相距甚遠。
第四范式成立已經四年，募資用途卻只是按部就班的技術研發、加薪留人、營銷推廣、用投資和并購的方式打入目標行業。看似十分正常的選擇，卻透露著公司被捆綁在趕驢拉車模式下的困境：不停的陷入研發營銷的循環，而不能像頭部AI公司一般，規劃建造自己的AIDC、落地自己的AI加速芯片，來提高利潤率和產品附加值。
第四范式的AI先知平臺，是好產品，但維持優勢要付出太多了。
回頭看著股權結構上面眾多的小股東們，第四范式的上市之路真的只是謀求發展而不是救亡圖存嗎？
